View of IMPLEMENTASI DATA MINING PENGELOMPOKAN TINGKAT KEPUASAN PELANGGAN PADA PT. BISA GROUP MENGGUNAKAN FUZZY C-MEANS

(1)

688

IMPLEMENTASI DATA MINING PENGELOMPOKAN TINGKAT KEPUASAN PELANGGAN PADA PT. BISA GROUP MENGGUNAKAN FUZZY C-MEANS

Maria Yostin Br Tarigan¹⁾,Mita Aprila Silpa Br.Simanjuntak²⁾, Musa Andrew Loyd Sitanggang³⁾,Etriska Prananta S.⁴⁾, Delima Sitanggang^5*).

1 Fakultas Sains Dan Teknologi, Universitas Prima Indonesia

email: [email protected], [email protected], [email protected], [email protected], *[email protected]

Abstract

PT. Bisa Group is a company engaged in the Food & Beverage sector. The company records a large number of sales transactions every day, which results in a rapid accumulation of customer data in the database.

When the amount of customer data is still small, manual analysis and interpretation methods with human skills are still possible. However, with rapid growth, it is important to monitor customer satisfaction levels to prioritize restaurants that have low satisfaction levels for immediate improvement. The purpose of this monitoring is to increase the number of customer transactions and reduce the possibility of customers switching to other restaurants. By using the Fuzzy C-Means method, customer data can be grouped and focused on customer satisfaction. The results showed that consumer perceptions of service quality were 84% very satisfied, 16% of consumer assessments of service were not satisfied. In clustering analysis using the Fuzzy C-means method, it is concluded that the majority of respondents in the dataset show a very high level of satisfaction with Restaurant services. The benefit of this research is to provide recommendations in improving service quality and become a reference for the company.

Keywords: Service quality, Customer satisfaction, Fuzzy C-Means, Data mining.

1. PENDAHULUAN

Dalam era bisnis yang semakin berkembang, PT. Bisa Group sebagai perusahaan yang bergerak di bidang Food & Beverage menemui tantangan dalam mengelola dan memahami data pelanggan yang terus bertambah pesat. Seiring dengan meningkatnya transaksi penjualan harian, data pelanggan pun menjadi semakin kompleks dan melimpah dalam basis data perusahaan. Pada awalnya, ketika jumlah data pelanggan masih tergolong sedikit, metode analisis dan interpretasi manual dapat diandalkan dengan dukungan kemampuan manusia [1].

Didirikan pada tahun 2012, PT. Bisa Group telah membangun identitas dengan empat brand ternama, yaitu Sushi Tei, Pepper Lunch, Paradise Dynasty, dan Song Fa, yang tersebar di kota Medan dengan total 8 outlet. Seiring dengan kesuksesannya, perusahaan tidak menutup kemungkinan akan memperkenalkan beberapa brand ternama lainnya dalam waktu dekat.

Kehadiran PT. Bisa Group tidak hanya berfokus

pada pelayanan dan kualitas makanan terbaik, tetapi juga bertujuan untuk memanjakan pecinta kuliner di kota Medan dengan ragam kuliner dan layanan berkelas dunia.

Pada era digital ini, penggunaan teknologi berbasis komputer telah menjadi suatu keharusan dalam mendukung efisiensi dan efektivitas pengelolaan data di berbagai sektor industri [2]–

[9]. PT. Bisa Group, sebagai perusahaan yang beroperasi di tengah dinamika bisnis yang cepat, menyadari pentingnya pemanfaatan teknologi tersebut untuk mengoptimalkan pengolahan data, terutama dalam mengelompokkan tingkat kepuasan pelanggan. Transformasi digital melalui teknologi komputer tidak hanya menjadi sebuah kebutuhan, tetapi juga suatu keharusan untuk memahami dan meningkatkan pengalaman pelanggan [10]–[16].

Penggunaan teknologi komputer di PT.

Bisa Group tidak hanya mencakup pengumpulan dan penyimpanan data pelanggan, tetapi juga melibatkan analisis yang mendalam untuk

(2)

689

memahami pola-pola perilaku pelanggan. Dalam konteks ini, implementasi teknik data mining muncul sebagai solusi yang strategis untuk mengoptimalkan pemanfaatan data pelanggan tersebut. Data mining memungkinkan perusahaan untuk mengeksplorasi dan mengekstraksi informasi berharga dari volume data yang besar, membantu identifikasi tren, pola, dan hubungan yang dapat memberikan wawasan penting terkait tingkat kepuasan pelanggan [17]–[20].

Melalui pendekatan data mining, PT. Bisa Group dapat memanfaatkan algoritma pengelompokan tingkat kepuasan pelanggan, terutama dengan menggunakan metode Fuzzy C- Means. Penggunaan algoritma ini memungkinkan perusahaan untuk mengelompokkan pelanggan ke dalam kategori kepuasan yang lebih difungsikan dan relevan. Hal ini tidak hanya memberikan pemahaman yang lebih mendalam terhadap preferensi pelanggan, tetapi juga membantu perusahaan dalam mengidentifikasi area potensial untuk peningkatan layanan dan pengalaman pelanggan.

Penerapan algoritma Fuzzy C-Means menjadi fokus utama dalam penelitian ini.

Algoritma ini dipilih karena mampu melakukan analisis pengelompokkan data dengan mempertimbangkan tingkat ketidakpastian atau keabuan dalam data [21]. Dengan bantuan Fuzzy C-Means, perusahaan dapat menganalisis respon pelanggan dan menemukan pola karakteristik serta perilaku konsumen. Selain itu, untuk mengurutkan kota berdasarkan tingkat kepuasan pelanggan, diperlukan metode model fuzzy Tahani yang memberikan hasil yang lebih akurat dan tepat.

Melalui penelitian ini, diharapkan akan diperoleh informasi yang berguna bagi PT. Bisa Group untuk memahami dan meningkatkan tingkat kepuasan pelanggan, serta memberikan kontribusi baru dalam bidang pengelompokkan tingkat kepuasan pelanggan menggunakan Fuzzy C-Means. Hasil dari penelitian ini diharapkan dapat memberikan wawasan yang mendalam bagi perusahaan guna mengoptimalkan keuntungan dan transaksi penjualan mereka secara maksimal.

2. METODE PENELITIAN

Adapun metode penelitian yang relevan dengan penelitian ini meliputi:

2.1 Data Mining

Tujuan utama dari data mining adalah untuk mengidentifikasi pola-pola atau hubungan yang tersembunyi dalam data dan mengubahnya menjadi informasi yang bermanfaat. Proses data mining melibatkan beberapa tahapan, seperti pemrosesan data, transformasi data, pemilihan atribut, pemodelan data, evaluasi model, dan interpretasi hasil. Teknik data mining yang umum digunakan meliputi clustering, klasifikasi, asosiasi, dan regresi.

2.2 Metode Pengumpulan Data

Metode yang digunakan adalah sistem keluhan saran, mystery shopper, dan survei kepuasan pelanggan. Dalam penelitian ini, studi kasus untuk menggambarkan penerapan metode- metode tersebut dalam meningkatkan kualitas produk dan layanan. Metode sistem keluhan dan saran digunakan untuk mengumpulkan masukan terstruktur dari pelanggan, sedangkan metode mystery shopper digunakan untuk mengukur kualitas layanan secara rahasia. Selain itu, survei kepuasan pelanggan digunakan untuk mendapatkan data dari pelanggan mengenai tingkat kepuasan mereka terhadap produk dan layanan perusahaan. Hasil dari penelitian ini dapat memberikan wawasan dan rekomendasi kepada perusahaan dalam meningkatkan kepuasan pelanggan.

2.3 Metode Fuzzy C-means

Penelitian ini membahas penerapan Metode Fuzzy C-Means (FCM) dalam analisis clustering dan normalisasi data dalam konteks data mining.

FCM digunakan sebagai teknik pengelompokan data untuk data yang tidak memiliki label atau klasifikasi sebelumnya. Tujuan utama FCM adalah untuk meminimalkan jarak antara titik data dengan pusat kelompok dan memaksimalkan tingkat keanggotaan setiap titik data dalam kelompok yang sesuai. Dalam penelitian ini, parameter FCM yang dijelaskan meliputi jumlah kelompok yang diinginkan, tingkat kefuzzyan (fuzziness) yang

(3)

690

menggambarkan tingkat ketidakpastian dalam pengelompokan, serta kriteria penghentian algoritma seperti batas iterasi atau perubahan signifikan dalam kelompok. Dengan rumus Clustering Dengan Fuzzy C-Means (FCM)

𝐶_𝑖𝑗 = ^∑^𝑖=1

𝑛 (𝑢_𝑖𝑘)^𝑤.𝑥_𝑖𝑗

∑_𝑖=1^𝑛 (𝑢_𝑖𝑘)^𝑤 (1) Keterangan :

Cij = pusat cluster ke-k untuk atribut ke-j uik = derajat keanggotaan untuk data ke-i pada cluster ke-k

xij = data ke-i, atribut ke-j

a Lakukan perhitungan untuk menentukan nilai keanggotaan data pada kluster dengan menggunakan rumus berikut:

𝑢_𝑖𝑘 = ^𝐷(𝑥^𝑖^,𝑐^𝑘⁾

−2 𝑤−1

∑_𝑘=1^𝑐 𝐷(𝑥_𝑖,𝑐_𝑘)^𝑤−1⁻²

(2)

b Hitung fungsi objektif Hitung fungsi objektif pada iterasi ke-t menggunakan persamaan berikut :

c

𝑃_𝑡 = ∑_𝑖=1^𝑁 ∑_𝑘=1^𝑘 (𝑢_𝑖𝑘)^𝑤𝐷(𝑥_𝑖, 𝑐_𝑘)² (3) Keterangan :

Pt = fungsi objektif pada iterasi ke-t uik = derajat keanggotaan data ke-i pada cluster ke-k

D(xi,ck) = jarak data ke-i dengan pusat cluster ke-k

d Cek kondisi berhenti Iterasi akan berhenti perubahan nilai fungsi objektif kurangdari ambang batas yang telah ditetapkan atau iterasi telah melebihi maksimal iterasi.

(|𝑃𝑡 − 𝑃𝑡 − 1| < 𝜀)𝑎𝑡𝑎𝑢 (𝑡 > 𝑚𝑎𝑥𝑙𝑡𝑒𝑟) (4)

3. HASIL DAN PEMBAHASAN 3.1 Import library

Peneliti mengimpor library yang diperlukan dalam program Python. Library-library ini menyediakan fungsi dan alat yang diperlukan untuk memproses data dan membuat visualisasi grafik. Beberapa library yang mungkin diimpor termasuk NumPy, Pandas, dan Matplotlib.

Gambar 1. Import library 3.2 Preprocessing Data

Tahap Preprocessing Data melibatkan langkah- langkah untuk membersihkan, memfilter, dan mengubah format data agar dapat digunakan dalam analisis. Menggunakan bahasa pemograman Python melalui google colaboratory, hal ini dapat mencakup penghapusan data yang hilang, penanganan outlier, normalisasi data, dan pengkodean variabel kategorikal.

Gambar 2. Dataset Yang Digunakan Dataset yang akan digunakan 1500 data dengan 5 variabel yang digunakan yaitu month, ambience, service, food, dan value for money.

3.3 Normalisasi data

Gambar.3 Tipe data pada setiap variable Pada gambar 4 , tipe data 'month sampai dengan value for money' adalah objek (string), dengan mengetahui tipe data dari setiap variabel

(4)

691

dalam DataFrame, peneliti dapat melakukan manipulasi atau transformasi data yang sesuai, seperti mengonversi tipe data, melakukan perhitungan statistik, atau menerapkan operasi yang tepat pada atribut tersebut.

3.4 Data Visualization

Gambar 3. Visualisasi Data variable Ambience Menampilkan salah satu visualisasi data dari 4 kategori variable yang digunakan berupa data ambience, informasi yang terkandung dalam data bentuk grafis, diagram, atau visualisasi.

Menghitung jumlah nilai E, G, dan A dalam varibel "AMBIENCE" untuk setiap bulan menggunakan metode value_counts(). Hasilnya diubah menjadi bentuk table.

Gambar 4. Grafik Visualisasi Data Service

Gambar 5. Grafik Visualisasi Data Ambience

Gambar 6. Grafik Visualisasi Data Food

Gambar 7. Visualisasi Data Value For Money Berikut hasil visualisasi data dalam 1 Tahun belakang yang telah diolah dan menampilkan jumlah penilaian pada tiap -tiap variable yang telah ditentukan.

Gambar 8. Menghitung Jumlah Data Pada Kategori Ambience

(5)

692

Gambar 9. Data Penilaian Pada Kategori Ambience

Gambar 10. Penilaian Pada Kategori Service

Gambar 11. Data Penilaian Pada Kategori Food

Gambar 12. Data Penilaian Pada Kategori Value For Money

Hasil data di atas menampilkan jumlah penilaian customer terhadap pelayanan yang diberikan oleh restoran yang dimana hasil grafik pada kategori food mendapat penilian jumlah

excellent sekitar 1085 data pelanggan dan kategori good mendapatkan sekitar 380 data pelanggan, sementara itu sekitar 35 data tergolong tidak puas atau average, sedangkan hasil pada grafik kategori value for money menampilkan penilaian jumlah excellent sekitar 866 data, good sekitar 568 data dan penilaian average sekitar 66 data pelanggan.

3.5 Implementasi Fuzzy C-Means

Gambar 13. Mengubah Nilai Dalam Variabel Menjadi Nilai Numerik

Mengubah nilai kategori dalam "AMBIENCE",

"SERVICE", "FOOD", dan

"VALUE_FOR_MONEY" menjadi skala nilai numerik. Kategori "E" akan menjadi 3, kategori

"G" akan menjadi 2, dan kategori "A" akan menjadi 1.

Gambar 14. Tampilan Data Yang Sudah Diubah Menjadi Numerik

3.6 Scaling Data

Gambar 15. Melakukan Scaling Data Data di-scaling ke dalam rentang antara 0 dan 1, di mana nilai terkecil akan menjadi 0 dan nilai terbesar akan menjadi 1. Data yang telah di- scaling ini dapat digunakan dalam analisis atau pemodelan yang memerlukan data dengan skala yang seragam atau setara.

(6)

693

Gambar 16. Proses clustering Dengan Algoritma Fuzzy C-means

Langkah inisialisasi pusat cluster digunakan untuk menentukan posisi awal dari pusat-pusat kelompok. terdapat 3 kelompok dan setiap kelompok memiliki 4 atribut. Dalam kode gambar 16, np.argmax (u, axis=0) digunakan untuk mencari indeks dengan nilai maksimum dalam setiap atribut matriks keanggotaan u. Hal ini menghasilkan array cluster_membership yang menyimpan informasi kluster yang telah ditentukan untuk setiap data. Selanjutnya, variabel

"CLUSTER" ditambahkan ke DataFrame df menggunakan sintaks df[‘CLUSTER’] = cluster_membership.

Dengan demikian, setiap data dalam DataFrame akan memiliki nilai kluster yang telah ditentukan.

Gambar 17. Hasil Data Setelah Diolah Pada gambar 18 terdapat kode digunakan untuk menghitung jumlah data dalam setiap kluster dari variabel "CLUSTER" dalam DataFrame df yakni:

df['CLUSTER'].value_counts().sort_index().

Kemudian, dengan menggunakan

reindex(desired_order), urutan kluster dapat ditentukan sesuai dengan desired_order yang telah ditentukan sebelumnya. Grafik bar dibuat menggunakan plt.bar(labels, cluster_counts, color=colors). Bar-chart tersebut menampilkan

jumlah data dalam setiap kluster dengan label sesuai dengan kluster yang diwakili oleh label kluster yang telah ditentukan sebelumnya.

Keterangan jumlah data ditambahkan pada setiap bar menggunakan plt.text(i, count, str(count), ha='center', va='bottom'), di mana i adalah indeks kluster dan count adalah jumlah data dalam kluster tersebut.

Gambar 18. Membuat Kluster

Gambar 19. Grafik Distribusi Kluster Terdapat tiga kluster utama, Kluster pertama dengan label "Sangat Puas" memiliki

(7)

694

jumlah data sebanyak 825, kluster kedua dengan label "Puas" memiliki jumlah data sebanyak 414, dan kluster ketiga dengan label "Tidak Puas"

memiliki jumlah data sebanyak 261. Hasil ini menunjukkan bahwa mayoritas responden dalam dataset cenderung memberikan penilaian "Sangat Puas" terhadap aspek yang diamati, diikuti oleh kategori "Puas", dan jumlah responden yang menyatakan "Tidak Puas" relatif lebih sedikit.

Oleh karena itu, dapat disimpulkan bahwa berdasarkan analisis clustering menggunakan metode Fuzzy C-means, mayoritas responden dalam dataset cenderung merasa sangat puas terhadap pelayanan Restoran.

Gambar 20. Hasil Clustering

Pada gambar 20 diperoleh hasil sebesar 83%

pelanggan tergolong dalam kategori puas, dan 17% pelanggan tergolong dalam kategori tidak puas.

4. KESIMPULAN

Berdasarkan hasil penelitian, dengan menggunakan metode Fuzzy C-Means dengan hasil clustering metode Fuzzy C-means, didapatkan bahwa sekitar 84% pelanggan tergolong dalam kategori yang puas, sekitar 16%

pelanggan tergolong dalam kategori yang tidak puas. Oleh karena itu, dapat disimpulkan bahwa berdasarkan analisis clustering menggunakan metode Fuzzy C-means, mayoritas responden dalam dataset cenderung merasa sangat puas terhadap pelayanan restoran.

5. REFERENSI

[1] C. Ramadhana, Y. D. L. W, and K. D. K.

W, “Data Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata,” Semant.

2013, vol. 2013, no. November, pp. 54–60,

2013.

[2] V. Sihombing and G. J. Yanris,

“PENERAPAN APLIKASI DALAM MENGOLAH ASET DESA (STUDI

KASUS: KEPENGHULUAN SRI

KAYANGAN),” J. Mantik Penusa, vol. 4, no. 1, pp. 12–15, 2020.

[3] J. Simatupang and S. Sianturi,

“PERANCANGAN SISTEM

INFORMASI PEMESANAN TIKET BUS PADA PO. HANDOYO BERBASIS ONLINE,” J. Intra Tech, vol. 3, no. 2, pp.

11–25, 2019.

[4] W. Purba, S. Tamba, and J. Saragih, “The effect of mining data k-means clustering toward students profile model drop out potential,” J. Phys. Conf. Ser., vol. 1007, no. 1, p. 12049, 2018, [Online]. Available:

http://stacks.iop.org/1742- 6596/1007/i=1/a=012049

[5] Sahat Sonang, “Implementasi K-Means Dalam Evaluasi Kinerja Dosen Politeknik Bisnis Indonesia,” J. Tekinkom, vol. 1, no.

1, pp. 32–40, 2018, doi:

10.1017/CBO9781107415324.004.

[6] V. M. M. Siregar, M. R. Tampubolon, E. P.

S. Parapat, E. I. Malau, and D. S.

Hutagalung, “Decision support system for selection technique using MOORA method,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1088, no. 1, p. 012022, Feb. 2021, doi:

10.1088/1757-899X/1088/1/012022.

[7] V. M. M. Siregar and N. F. Siagian,

“Sistem Informasi Front Office Untuk Peningkatan Pelayanan Pelanggan Dalam Reservasi Kamar Hotel,” J. Tek. Inf. dan Komput., vol. 4, no. 1, pp. 77–82, 2021, doi: 10.37600/tekinkom.v4i1.279.

[8] Fricles Ariwisanto Sianturi, “Analisa metode teorema bayes dalam mendiagnosa keguguran pada ibu hamil berdasarkan jenis makanan,” Tek. Inf. dan Komput., vol.

2, no. 1, pp. 87–92, 2019.

[9] J. Simatupang and E. S. Hendarti,

“Implementasi Sistem Informasi Job Portal Pada BPJS Ketenagakerjaan Berbasis Web,” J. Intra Tech, vol. 5, no. 2, pp. 48–

(8)

695

59, 2021.

[10] E. Damanik and I. M. Siregar,

“PENGEMBANGAN SISTEM

CUSTOMER RELATIONSHIP

MANAGEMENT BERBASIS WEB

PADA PT. TERUS MEGA TARA JAKARTA,” J. Tek. Inf. dan Komput., vol.

4, no. 1, pp. 60–69, 2021, doi:

10.37600/tekinkom.v4i1.278.

[11] V. M. M. Siregar, “Perancangan Website Sebagai Media Promosi Dan Penjualan Produk,” TAM (Technology Accept.

Model., vol. 9, no. 1, pp. 15–21, 2018.

[12] V. M. M. Siregar, E. Damanik, M. R.

Tampubolon, E. I. Malau, E. P. S. Parapat, and D. S. Hutagalung, “Sistem Informasi Administrasi Pinjaman (Kredit) Pada Credo Union Modifikasi (CUM) Berbasis Web,” J. Tekinkom, vol. 3, no. 2, pp. 62–

69, 2020, doi:

10.37600/tekinkom.v3i2.193.

[13] H. A. Simbolon and V. M. M. Siregar,

“Perancangan Sistem Informasi Berbasis E-Commerce Untuk Peningkatan Penjualan Produk Jersey Olah Raga,” J.

Tek. Inf. dan Komput., vol. 1, no. 2, pp. 49–

54, 2018.

[14] F. Sinuraya et al., “WEB-BASED FOOD ORDERING INFORMATION SYSTEM STUDI,” pp. 7–11, 2021.

[15] F. A. Sianturi, “Penerapan Algoritma Apriori Untuk Penentuan Tingkat Pesanan,” Mantik Penusa, vol. 2, no. 1, pp.

50–57, 2018.

[16] J. Simatupang and S. Sianturi,

“Perancangan Sistem Informasi Pemesanan Tiket Bus Pada PO. Handoyo Berbasis Online,” J. Intra-Tech, vol. 3, no.

2, pp. 11–25, 2019.

[17] J. Eska, “Penerapan Data Mining Untuk Prediksi Penjualan Wallpaper Menggunakan Algoritma C4.5,”

JURTEKSI (Jurnal Teknol. dan Sist.

Informasi), vol. 2, no. 2, 2018.

[18] J. P. Gultom and A. Rikki, “Implementasi Data Mining menggunakan Algoritma C-

45 pada Data Masyarakat Kecamatan Garoga untuk Menentukan Pola Penerima Beras Raskin,” Kumpul. Artik. Karya Ilm.

Fak. Ilmu Komput., vol. 02, no. 01, 2020.

[19] D. S. O. Panggabean, E. Buulolo, and N.

Silalahi, “Penerapan Data Mining Untuk Memprediksi Pemesanan Bibit Pohon Dengan Regresi Linear Berganda,”

JURIKOM (Jurnal Ris. Komputer), vol. 7, no. 1, p. 56, Feb. 2020, doi:

10.30865/jurikom.v7i1.1947.

[20] A. H. Mirza, “MODEL DATA MINING UNTUK MENDUKUNG STRATEGI PROMOSI PERGURUAN TINGGI ( Studi kasus Universitas Bina Darma Palembang ),” no. September, 2018.

[21] P. S. Saputra, “Perbandingan Algoritma Fuzzy C-Means dan Algoritma Naive Bayes dalam Menentukan Keluarga Penerima Manfaat (KPM) Berdasarkan Status Sosial Ekonomi (SSE) Terendah,”

JST (Jurnal Sains dan Teknol., vol. 10, no.

1, 2021, doi: 10.23887/jst- undiksha.v10i1.23340.